機(jī)器學(xué)習(xí)算法與傳統(tǒng)天氣預(yù)報(bào)相結(jié)合而產(chǎn)生的智能天氣預(yù)報(bào),有助于對(duì)天氣狀態(tài)進(jìn)行多角度、全方位分析。未來(lái),智能天氣預(yù)報(bào)將集數(shù)值預(yù)報(bào)、統(tǒng)計(jì)分析、機(jī)器學(xué)習(xí)、預(yù)報(bào)產(chǎn)品釋用于一體,實(shí)現(xiàn)對(duì)天氣狀態(tài)的無(wú)縫隙、精細(xì)化預(yù)報(bào)。預(yù)報(bào)資料的系統(tǒng)化預(yù)處理、海量資料的高效分發(fā)傳輸、精細(xì)化預(yù)報(bào)需求,使得智能天氣預(yù)報(bào)面臨以下三個(gè)亟待解決的問(wèn)題:(1)實(shí)時(shí)預(yù)報(bào)時(shí),如何對(duì)觀測(cè)資料進(jìn)行高效去噪;(2)為了高效傳輸、處理超分辨率數(shù)據(jù),如何進(jìn)行壓縮、重構(gòu);(3)為了利用預(yù)報(bào)產(chǎn)品進(jìn)行小尺度天氣過(guò)程分析,如何插值再分析資料。立足這些問(wèn)題,本文開(kāi)展的工作如下:(1)針對(duì)紅外高光譜通道資料的云檢測(cè)。提出了基于特征通道的特征構(gòu)建方法;并利用構(gòu)建的特征,設(shè)計(jì)了基于logistic的紅外高光譜云檢測(cè)算法。實(shí)驗(yàn)表明,特征通道的選取思路合理;對(duì)于海上區(qū)域,檢測(cè)正確率達(dá)95%以上,陸地區(qū)域加入地表發(fā)射率特征后,檢測(cè)召回率提升了12%;算法適用于實(shí)時(shí)云檢測(cè)。(2)紅外高光譜資料壓縮、重構(gòu)。設(shè)計(jì)了基于譜-空卷積的HCR紅外高光譜壓縮重構(gòu)算法。實(shí)驗(yàn)表明,在相同的壓縮比率下,HCR的重構(gòu)均方誤差比傳統(tǒng)基于主成分分析的重構(gòu)均方誤差降低了13.82%。(3)針對(duì)...

【文章頁(yè)數(shù)】：90 頁(yè)

【學(xué)位級(jí)別】：碩士

【文章目錄】：
摘要
ABSTRACT
第一章 緒論
    1.1 智能天氣預(yù)報(bào)與機(jī)器學(xué)習(xí)
    1.2 智能天氣預(yù)報(bào)發(fā)展現(xiàn)狀與問(wèn)題
        1.2.1 智能天氣預(yù)報(bào)發(fā)展歷程
        1.2.2 智能天氣預(yù)報(bào)發(fā)展面臨的問(wèn)題
    1.3 論文動(dòng)機(jī)
        1.3.1 論文研究問(wèn)題
        1.3.2 論文主要貢獻(xiàn)
    1.4 論文結(jié)構(gòu)
第二章 機(jī)器學(xué)習(xí)算法
    2.1 機(jī)器學(xué)習(xí)基礎(chǔ)理論
    2.2 Logistic回歸
    2.3 卷積神經(jīng)網(wǎng)絡(luò)
    2.4 高斯過(guò)程回歸和與天氣過(guò)程相關(guān)的核函數(shù)
        2.4.1 GPR和核技巧
        2.4.2 與天氣過(guò)程相關(guān)的核函數(shù)
第三章 基于Logistic回歸的紅外高光譜資料云檢測(cè)
    3.1 紅外高光譜資料特征通道分析
    3.2 基于Logistic的紅外高光譜資料云檢測(cè)
    3.3 基于IASI資料的算法性能分析
        3.3.1 數(shù)據(jù)集說(shuō)明
        3.3.2 地域差異分析
        3.3.3 特征通道分析
        3.3.4 算法適用性分析
    3.4 本章小結(jié)
第四章 基于譜-空卷積的HCR紅外高光譜資料壓縮與重構(gòu)
    4.1 紅外高光譜資料的特性分析
    4.2 HCR紅外高光譜資料壓縮重構(gòu)網(wǎng)絡(luò)
    4.3 基于IASI紅外高光譜資料的算法性能分析
        4.3.1 數(shù)據(jù)集說(shuō)明
        4.3.2 算法效果分析
        4.3.3 參數(shù)敏感性分析
        4.3.4 通道特性分析
    4.4 本章小結(jié)
第五章 基于高斯過(guò)程回歸的預(yù)報(bào)產(chǎn)品天氣過(guò)程插值
    5.1 高斯過(guò)程回歸插值天氣過(guò)程的設(shè)計(jì)思路分析
    5.2 適用于天氣過(guò)程的多尺度各向異性核函數(shù)
    5.3 基于多變量校正的天氣過(guò)程空間插值算法
    5.4 基于10m風(fēng)場(chǎng)的數(shù)值試驗(yàn)
        5.4.1 數(shù)據(jù)集說(shuō)明
        5.4.2 算法效果分析
    5.5 本章小結(jié)
第六章 總結(jié)與展望
    6.1 論文總結(jié)
    6.2 研究展望
致謝
參考文獻(xiàn)
作者在學(xué)期間取得的學(xué)術(shù)成果
附錄A IASI資料通道索引號(hào)
附錄B 紅外高光譜資料的PCA壓縮重構(gòu)分析
    B.1 紅外高光譜資料的特性
    B.2 基于IASI的紅外高光譜資料的特性分析
附錄C IASI資料分區(qū)



本文編號(hào)：3871127